生成式 AI 所带来的巨大颠覆潜力已经在各个行业产生了冲击波。在普华永道全球首席执行官调查中，70% 的首席执行官表示，他们预计生成式 AI 将在未来三年内显出改变公司创造、交付和获取价值的方式。企业领导者可以利用飞轮的力量来提高生产力，并更好地对其组织进行变革性重塑。
现在，普华永道和思略特（隶属于普华永道网络的全球战略咨询公司）在另一项正在进行的研究中发现，AI的潜在影响因行业和组织而异。我们对生成式 AI 潜在预测价值的分析表明，如果该技术应用于当前的运营模式，软件公司的利润率可以实现约 20 个百分点的提升。对于运输和物流等预计收益小得多的行业，利润增长 1 个百分点的潜力当然值得探索。
当然，这些数字仅基于将生成式 AI 应用到当前运营模式的前景；他们没有考虑构建和运行生成式 AI 工具的成本，也没有考虑改变竞争动态的可能性。即便如此，这种生产率的提高至少会释放市场预期大幅变动的潜力，而这反过来又可能推动进一步的创新、颠覆和重塑，从而带来全新的业务模式。
在某些领域实施这些变革比在其他领域更容易。为了帮助企业可以如何最有效地集中生成式 AI 应用的领域，我们从变革早期的一种机制中获得了灵感：飞轮。
飞轮，从最初的陶工轮，到亚马逊电子商务机制，飞轮动起来需要努力。但一旦良性循环开始运转，随后每一次新能源的加入都会增加其动力，减少加速所需的努力，且有助于保存和转移能源（包括以商业知识、经验和能力等形式）。随着时间的推移，转动势头的增强，创造和获取价值的成本会大大下降。
企业领导者可以利用飞轮的力量来提高生产力，并更好地定位其组织以进行变革性重塑。但重要的是要记住：生成式 AI 的影响远远超出了对利润的提升，因此需要在每个阶段应用负责任的人工智能方法（考虑商业决策对更广泛社会的影响）。
下面，我们将描述企业领导者如何利用飞轮方法的每个阶段来指导他们的生成式 AI 实施选择。
01. 创建你的价值假设
价值假设是您对潜在业务价值和实施特定生成式 AI 应用程序的可能难度的初步战略评估。它需要了解组织的宗旨和价值观、当前的资产负债表、运营、更广泛的业务生态系统以及竞争和监管环境等因素。然后可以将该假设与对该行业潜在长期价值提升的分析进行比较，以创建一个粗略的基准来帮助评估进展。
生成式 AI 的短期价值假设植根于效率。普华永道的首席执行官调查显示，花在例行任务（例如会议和电子邮件）上的时间被认为效率低下，高达 40%。使用生成式 AI 提高生产力具有战术和战略意义。但在考虑价值假设时，重要的是要牢记更大的价值：大规模的重塑，这需要更多的时间和资源。
一个世纪前，据说亨利·福特指出，当他的客户想要“更快的马”时，他给了他们 T 型车。如今，早期的生成式 AI 用例往往侧重于提高现有解决方案和工作方式的效率，相当于更快的马。尽管飞轮框架可以通过这种方法帮助推动价值，但重要的是要记住，存在更大的回报。大多数企业不会将所有注意力集中在边际改进上，而是希望根据可用的新选项彻底重新思考最佳解决方案是什么。为了避免在未来两到三年内陷入巨大的技术和流程债务问题，在评估未来价值和制定早期生成式 AI 战略时，有必要密切关注重大颠覆和重塑的长期潜力。
02. 确定关键用例的优先级
在各个行业中，前五个 生成式 AI 用例可以创造该技术总价值的 50% 到 80%。
我们已经确定了数百个跨行业的 生成式 AI 用例，我们分析中的每个组织都将有特定的利基变体、挑战和机遇，可能包括差异化的方法，具体取决于他们的数据如何用于训练生成式 AI 工具。我们的初步分析表明，在各个行业中，前五个生成式 AI 用例可以创造该技术总价值的 50% 到 80%，因此识别并专注于这些用例是有意义的。
例如，在奢侈品行业，大规模个性化客户体验长期以来一直是圣杯，生成式 AI 能够根据对奢侈品购买者的购买历史、内容偏好和消费体验的模式识别分析，为他们提供超个性化的营销。首选的地址形式——可能是提供客户服务的差异化因素，也是重要的收入驱动因素。在软件开发中，生成式 AI 编码助手已经通过允许人类编码员专注于提供方向和质量控制来提高生产力和利润，而生成式 AI 本身创建了大部分代码。
当然，最有价值的用例对于每个人来说并不相同，即使在同一行业内也是如此。在评估生成式 AI 对您的业务的潜在价值时，您应该重点关注用例影响七种关键考虑因素以及受七种关键考虑因素影响的可能性，如下图所示。
03. 寻找推动规模增长的模式
为了创造最大价值，生成式 AI 通常需要细化和专注。开箱即用的模型可能能够为某些用例提供可靠的结果，但要添加您自己公司的数据，并使用额外的护栏来提供重点和安全性，或者使用额外的插件来增强核心工具的功能和准确性——正如普华永道利用其内部 ChatPwC 生成式 AI 工具所做的那样——可以提供更相关、更有影响力的帮助。
一旦初始模型细化阶段完成，生成式 AI 工具通常可以快速重新用于类似用途。我们称这些为模式。它们可以帮助技术战略家和其他业务领导者横向思考哪些领域可以通过少量的额外努力调整现有的 生成式 AI 部署以适应其他用例，并将其扩展到整个企业。
并非所有模式都具有相同水平的潜力。我们的研究结果表明，全新的创造和增强可以产生生成式 AI 整体价值的 50% 以上，但这些收益的实现速度可能会较慢，因为它们需要在数据和集成方面进行更多的前期投资，以及支持性业务或流程变革。生成式 AI 的潜在价值中只有大约 15% 取决于早期生成式 AI 服务众所周知的总结和对话（问答聊天机器人）模式。
生成式 AI 的潜在价值中只有大约 15% 取决于早期生成式 AI 服务众所周知的总结和对话（问答聊天机器人）模式。
模式识别对于决定将精力集中在哪里以实现最大价值非常有帮助。一家大型通信服务提供商的法律团队知道有潜力利用生成式 AI 的深度检索功能来识别数千份非标准化合同中的关键信息，从而帮助简化未来的合同撰写。首先，我们的努力集中在商业承包功能上，因为该功能可能会更快地获取价值。一旦开发出公司特定的合同分析生成式 AI 模型，就可以对其进行修改，以便在采购、房地产和雇佣合同中使用，从而以最少的额外工作实现价值最大化。
04. 选择您的基础生成式 AI 工具
确定了扩大规模的用例和模式后，您可以开始评估并筛选出最合适的 生成式 AI 基础技术。这里的目标是预测并避免未来潜在的技术债务，即由于技术投资的长期限制而最终可能需要满足即时需求的变革成本，例如使用多个互不相连的 生成式 AI 工具来处理各种流程的低效率。关键需求是平衡技术的稳健性与可采用性和适应性，以实现规模化并提供持续的业务成果。
首先选择合适的生成式 AI 基础模型和支持技术、云平台以及服务提供商和合作伙伴。对于某些用例，公共通用访问生成式 AI 模型（例如 OpenAI 的 ChatGPT、Google 的 Gemini 或 Anthropic 的 Claude）就足够了。对于更敏感的业务信息，可能需要在受控环境中托管这些模型之一的更安全、私有版本。更专业的用途，例如根据对组织特定能力的详细了解起草法律文件或 RFP（征求建议书）；提供需要访问私人数据的个性化服务；或协助产品和服务创新——要求应用独特的企业和领域知识。这可以通过检索增强生成 (RAG) 在您的基础模型中进行，或者在需要时微调这些模型。在某些情况下，特别是对于制药和化学研发来说，为了提供您需要的结果，甚至可能需要从头开始训练您自己的定制模型。
05. 定义最大化现有价值的解决方案
下一步是确定向基础工具添加哪些内容，以提供更具体的解决方案，从而实现价值最大化。对于许多组织来说，工具本身不会带来任何市场差异化，因此专有数据的添加将是成功的关键。但这种数据使用反过来会给治理和风险管理带来额外的挑战，可能导致开发和实施成本大幅上升，从而可能降低原本有前途的解决方案的整体价值。
为了确定能够以最少的努力提供最大价值的解决方案，通过模式进行横向思考非常重要。典型的例子是 生成式 AI 聊天机器人。一旦您开发了一个基于对组织的产品和服务文档的分析来帮助自动客户服务查询的版本，稍加修改就可以创建一个改进的版本，以帮助您的员工进行面对面的客户交互。从这里开始，为销售团队、培训和产品开发开发内部生成式 AI 助手并不是太大的飞跃。单独而言，这些额外的用例可能不会对您的利润产生太大影响。但添加此类增量生成式 AI 解决方案可以利用这一势头。
06. 评估成本和碳影响
一旦规划出潜在的价值路径，就该评估开发和部署的成本，并决定是否继续。对于许多组织来说，最初以生产力为中心的用例将把成本效率归零——通过自动化和增强现有工作方式来提高利润。通过更全面的业务转型、创新或重塑来评估具有最大长期净新创收潜力的 生成式 AI 用例的成本和影响可能更具挑战性。
从最广泛的意义上考虑成本——不仅包括财务成本，还包括环境成本，甚至声誉成本。例如，虽然使用 生成式 AI 执行某些任务可以通过减少劳动力来降低成本，但不小心用机器人取代人类可能会导致破坏性或品牌损害的强烈抵制，同时也会减少对生成式 AI 输出的人类监督和验证，这可能会增加风险暴露。
由于现在还处于早期阶段，一些广为人知的风险（例如生成式 AI 的能源消耗）可能被夸大了。我们对 生成式 AI 使用的碳影响的分析（评估所花费的时间、使用的处理器数量、每个处理器的功率以及公吨二氧化碳当量的排放因子）表明，生成式 AI 的常规使用可能是能源密集型的，但也可以通过更广泛的效率提升来减少其他来源的排放。
07. 开发和部署、测试和学习
对于像生成人工智能一样快速发展的技术来说，测试和学习至关重要。每次部署，当在定义的控制和成功指标到位的情况下推出时，都是一个学习的机会。反过来，这些课程将帮助您识别增强功能，包括了解如何获取价值以及应如何衡量未来的成功，以及在将工具和解决方案调整和扩展到您的其他部分之前重新评估风险和治理。组织。
这是普华永道去年采取的方法，在此期间该公司将自己视为“零客户”。 2023 年春季，我们与 生成式 AI 初创公司 Harvey 合作，开发并测试 Harvey 开始在 OpenAI 的 ChatGPT 基础模型之上构建的以税务、法律和人力资源为中心的解决方案的有效性。从最初的试用阶段开始，我们的内部团队很快就意识到该工具的深度检索和总结功能的好处，并确定了有效的工作方法，然后将其用于通过额外的改进来增强该工具。该部署从一个有用的节省时间的方法演变成一项重塑长期建立的运营模式的持续实验。
08. 适应交付相邻规模
在飞轮的最后一部分，您可以利用通过评估、开发和测试积累的丰富知识和经验，进行必要的调整，以重新利用生成式 AI 工具以实现更广泛的用途。在某些情况下，您确定的解决方案可能需要针对特定的附加用途进一步定制，但概念验证和从初始部署中汲取的经验教训应该意味着购买更快，培训和采用更快，这要归功于您获得的机构知识。
一家全球大型饮料公司一直在采用这种自适应方法来扩展生成式 AI 的部署。在最初通过指示工具发现可能导致零件故障的模式来专注于工厂的预测性维护之后，该公司能够采用相同的模式并调整运输和物流管理的方法。随后的应用甚至开发了新的解决方案，通过生成式 AI 增强的精准农业帮助提高作物生产效率。这反过来又实现了系统范围的视图，对类似的支持生成式 AI 的预测分析工具和解决方案进行调整和组合，以提供端到端的供应链规划能力，其规模以前需要多年的开发才能实现。底层模式始终相同，解决方案构建在同一工具之上。这意味着每个额外的项目都比过去更快、更便宜地交付，因为该公司利用飞轮方法的动力从过去的部署中学习并找到实现更大价值的捷径。
抓住生成式 AI 机遇
尽管飞轮可以帮助识别价值所在并帮助最大化价值，但某些价值来源将比其他价值来源更容易实现。对于所有组织而言，飞轮方法带来的主要好处是建立持续学习和累积价值创造的良性循环，从而使整个组织踏上基于生成式 AI 的新工作方式的旅程。
当然，包括现有技术堆栈、公司文化、当地监管环境和竞争对手活动在内的许多因素都会影响各个组织的成功机会。最重要的因素之一与您所在的行业有关，我们将在接下来的工作中进一步详细讨论。
生成式 AI 应用程序可以用于跨部门的某些业务功能，但我们正在进行的分析的初步结果表明，最大的价值机会将针对特定行业和业务，并且将取决于采用该技术的难易程度和它将带来的潜在破坏程度。一些具有巨大颠覆潜力且采用生成式 AI 的障碍很少的行业已经实现了先进水平的实施、价值创造和重塑。其他遭受重大颠覆风险较低的行业可能会发现生成式 AI 可以带来有意义的收益，帮助他们确保相对于行动缓慢的竞争对手的关键优势。
无论行业或发展状况如何，公司都可以利用飞轮来快速识别能够最有效地在整个组织中推动价值的生成式 AI 应用程序，并通过成功实施的势头来更迅速、更有效地扩展它们。
